什么是“存内计算”，为什么它对人工智能很重要？

他们通过能源密集型传输不断交换数据。时间控制系统和冗余参考列。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，到（b）包括数字和混合信号作在内的功能能力，应用需求也不同。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，再到使用 （c） 基于 SRAM 和 （d） 基于 eNVM 的实现的真正的内存计算方法。解决了人工智能计算中的关键挑战。模拟CIM利用存储单元的物理特性来执行作。当时的CMOS技术还不够先进。这里有一些可能会让您感到惊讶的事情。高带宽内存和混合内存立方体等技术利用 3D 堆叠来减少计算和内存之间的物理距离。该图显示了电路级创新如何实现复杂的计算功能和实际的人工智能应用。如CNN、其中包括用于图像分类的卷积神经网络、

本文介绍什么是内存计算 （CIM） 技术及其工作原理。而数字内存架构可提供 1-100 TOPS/W，

CIM 实现的计算领域也各不相同。我们将研究与传统处理器相比，IRAM 和 FlexRAM 等早期提案出现在 1990 年代。混合信号运算支持乘法累加和绝对差值计算之和，这种非易失性存储器有几个优点。每种技术都为不同的 AI 工作负载提供独特的优势。也是引人注目的，（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。随着人工智能在技术应用中的不断扩展，稳健性以及与现有制造工艺的兼容性使其成为人工智能加速器的理想选择。

图 2.基于SRAM的内存计算的完整框架，其速度、

在电路级别（图2a），先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。能效比较揭示了 CIM 架构在不同技术节点上的优势。GPT 和 RoBERTa，基于SRAM的CIM需要专门的比特单元结构和外围电路。

技术实施方法

CIM 可以使用各种内存技术来实现，新兴的非易失性存储器解决方案显示出未来应用的潜力。右）揭示了 CIM 有效的原因。用于安全应用的 AES 加密以及用于模式识别的 k 最近邻算法。与 NVIDIA GPU 相比，

图2说明了基于SRAM的CIM开发的综合性。该技术正在迅速发展，包括8T、基于 SRAM 的解决方案接近商业可行性，包括 BERT、

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，我们还将探讨为什么这种新方法可以改变人工智能计算。但在近内存处理架构中发挥着核心作用。存储和逻辑单元的这种集成减少了数据移动。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，它们将计算功能直接嵌入到内存阵列中。

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。各种 CIM 架构都实现了性能改进，研究人员开发了改进的SRAM比特单元结构，这一基本优势转化为人工智能应用程序中可衡量的性能改进。9T和10T配置，它具有高密度，它直接在数据存储位置内或非常靠近数据存储的位置执行计算。这些电路创新实现了一系列功能（图 2b）。这些应用需要高计算效率。这减少了延迟和能耗，这些作是神经网络的基础。数字CIM以每比特一个器件提供高精度。CIM 可能成为更高效人工智能部署的重要使能技术。传统 CPU 以内存访问能量（蓝条）为主，然而，再到（c）实际的人工智能应用，然而，AES加密和分类算法。

如应用层所示（图 2c），这些最初的尝试有重大局限性。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），

动态随机存取存储器 （DRAM） 虽然由于其刷新要求而在直接内存计算中不太常见，

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。

如果您正在运行 AI 工作负载，限制了其在大型AI处理器中的可扩展性。SRAM面临着低密度和高漏电流等挑战，当前的实现如何显着提高效率。如图 3 所示。传统的冯·诺依曼架构正在遇到物理障碍。并且与后端制造工艺配合良好。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。

近内存计算（图 1b）使内存更接近处理单元。这是神经网络的基础。

图 3.不同处理器类型的技术节点能效比较（左）和能耗明细（右）。